⚜【支持超大文件】Python MDX词典打包工具 2019-11-19更新

lgmcw

( M: U' B6 t4 [" W6 h
这帖target的是硬核玩家，希望对有需要的人有所帮助。代码比较乱，拖了好久都懒得整理，正好朋友又找我需要，趁着一鼓作气整理出来就正好也贴在论坛里吧。我这里不跟进你那边的环境调试了，如果有运行错误自己修一下(python3可参考楼下的修改经验)；不过还是鼓励回帖反馈。对我以后做新人友好版有帮助。
2 B3 E! G( {9 U7 {以后我会做一款带GUI的，针对小白玩家。

+ F" ?" ~' k0 [+ ^) f入口文件，运行genMDX_ox4.py即可开始打包，附了一个牛津4的txt源码，我已经调试好，确保在我这里能工作，下载后可以直接运行用来测试程序。我的所有字典都是用这个程序打包，暂时没什么大问题。词条数最多我试过的简明英汉400多万词头；体积最大的OED，txt源码就有2.4G；这些打包都毫无压力。不过我这边还在用老古董python2.7；python3应该也能用，如果报错，可能需要自己debug一下。
6 u% j, y& l- e& J, JgenMDX_ox4.py is the entrance file you want to use in CMD/terminal. I've also enlcosed a OALD4_azure.txt for testing purpose.
0 R8 g7 X& l9 B5 f6 {. N


Windows下运行举例（需安装python）：

5 m# ^, |8 y  e6 Q6 N+ |
相较于原版我主要改了两个地方：
! ~6 U/ O* m- V- \& c1. 在代码里，以前一个字典的key只能对应唯一个value。而MDict完全支持多个相同词头对应多个意思。所以我改了代码，让一个字典的key可以对应多个value。
2. 修改排序算法，原版是用的默认python排序，输出的文件在MDict简直不能查。GD勉强能查。



Python实现的txt转MDX代码：

链接：https://pan.baidu.com/s/1wdRZXRvQBfyS3AVDGmiD0g  提取码：avqf 欢迎提建议
⚜ 感兴趣可以看看我的其他字典，绝大部分都公开分享。

% b4 ^) [1 c8 q3 z2 ?& k" V. h


" c: d1 O% v9 \! E6 Q! F  W2 }
( A* {6 ^/ q. M3 O
. ]) y% }' R3 |) G4 g7 {" Z

muyuzhth0

python3.8.9调试成功！
6 Y6 ], s# l% A6 k& C
做了如下修改：

1.genMDX_ox4.py
/ _; G  Z' N5 {* t: l: f
（1）注释掉前三行# -*- coding: GBK -*-  # coding: utf-8  # encoding=utf8，解决SyntaxError: encoding problem: GBK
% N8 v" ?' Q+ a
（2）注释掉import sys  reload(sys)  sys.setdefaultencoding('utf-8')，python3不需要了
/ X5 d0 o. L- W% G2 V9 d
（3）打开、写入的文件加上当前路径（import os；current_path = os.path.dirname(__file__)；current_path+"/OALD4_azure.txt",），解决No such file or directory:
0 s6 Z/ x& u1 l# T6 T  B
（4）大神提示OALD4_azure.txt、about_OX4.txt使用utf-8格式。我试了下，两个文件转换为gb2312，代码修改为encoding='ANSI'，也可以成功。另外，goldendict可以打开这两种编码的mdx，mdictpc版只能打开ANSI编码的mdx文件。

+ [3 Q$ t& U2 r( D2.writemdict.py
% v: ^/ O& Z2 l0 O. s! W
修改 from cgi import escape为 from html import escape，解决cannot import name 'escape' from 'cgi' ，因为python3 cgi.py里面已经没有escape了。换成html，可以用，暂未发现问题。

nihaocool1980

我的是Python3.7的，genMDX_ox4.py文件里面的
, x; o+ l7 z+ }1 iimp.reload(sys)改为：
import importlib
importlib.reload(sys)
7 y/ Y. L- G5 M6 G6 [然后删掉：sys.setdefaultencoding("utf-8")
测试通过。

; r% P  ^1 |: ^, g, E但是生成的词典，用SourceEditor打不开，PC版GoldenDict，安卓版欧路可以打开。汇报完毕。

torresgoal

好的，感谢老铁啊

brbr54

感谢大神分享

xxv

感谢楼主分享

0381yangyili

谢谢高手无私分享这么好的教程

bangbang2021

试试看，谢谢大佬

starll

反馈个问题，直接跑大佬的源码，在mac上会报如下错误：
Traceback (most recent call last):
  File "genMDX_ox4.py", line 14, in <module>
    reload(sys)
6 n  P; O3 @) G& M+ s. o  \7 pNameError: name 'reload' is not defined

( y( _- Z. R! |3 G解决：
7 d3 z/ Y4 `7 r- [2 Q注释掉文件line14和line15，即可

han198808

谢谢L大，等了1年了。

SweetPanda

谢谢大佬 都是好东西来晚了 就看到要关站

zh_lwm

先收藏再研究，谢谢分享

skydan05

震撼！谢谢！

Michael200803

thanks a lot

喬治兄

感謝 lgmcw 兄:
/ }, C7 {4 e  Y5 C7 Y分享

【支持超大文件】Python打包MDX词典工具

: v+ Z* ]3 t; V9 `; ?) I4 @/ O非常需要此超大文件打包, 有的文件再合併後再用 mdxbuilder 打包MDX弄不出來
謝謝仁兄分享此重量級工具
3 b, R& |7 h2 @0 u

coolfish52

謝謝分享資源

csmpaul

好东西，学习学习，谢谢楼主分享技术

999阿彌陀佛

謝謝分享此重量級工具，感谢 ！

cocowind

学习，谢谢楼主分享技术，争取以后逐步从小白玩家进化到硬核玩家。

laiye

谢谢l大，准备考研结束后就折腾折腾

wrscn

非常感谢你的分享。

codex

好东西 谢谢分享

oversky

請問 mdxbuilder 目前能處理的文檔大概是多大？

HMPT

还是可以指定输入文件的命令行方式不较好
比如 python genMDX.py source.txt about.txt

markwell

emmm论坛有个excel转mdx的工具很不好用。。。

nullname

感谢分享，看看，学习一下

lgmcw

HMPT 发表于 2019-10-9 10:06
1 [/ V* G" N, v- }还是可以指定输入文件的命令行方式不较好
比如 python genMDX.py source.txt about.txt ...

这个其实改一下入口文件就能实现，应该不难的。

lgmcw

3 A) \, W1 U7 C- d- `

oversky 发表于 2019-10-9 09:30
9 T3 w; y& t/ q5 E, D$ G: I請問 mdxbuilder 目前能處理的文檔大概是多大？

你可以咨询一下@喬治兄 ，他可是屡屡遇到上限。

oversky

lgmcw 发表于 2019-10-10 01:03
你可以咨询一下@喬治兄 ，他可是屡屡遇到上限。

; }! T- \  B* u6 u# B# r, J- J8 n! K谢谢您的指引。

littlewj

很有用的工具

huwei007

非常感谢分享!

lgmcw

喬治兄 发表于 2019-10-9 07:09
感謝 lgmcw 兄:
分享  
; Y* G( S  E) O7 ]" f" S, ]0 b非常需要此超大文件打包, 有的文件再合併後再用 mdxbuilder 打包MDX弄不出來

& M7 z' ~: ^2 e6 Z: i兄弟可测试通过，此工具可还好用？

喬治兄

lgmcw 发表于 2019-10-12 12:38
兄弟可测试通过，此工具可还好用？

1 @, W' {+ w( T& T0 [  m謝謝 lgmcw 兄關心，小弟還未試呀，小弟會盡快試試，若有困難再向仁兄請益，謝謝啦！

流星冲击

1. 在代码里，以前一个字典的key只能对应唯一个value。而MDict完全支持多个相同词头对应多个意思。所以我改了代码，让一个字典的key可以对应多个value。
& ~9 U- Z$ G+ n2 b7 h& ~
之前我和zzzz_sleep讨论过“以前一个字典的key只能对应唯一个value”的问题，他给出的方法是让类Mdict套壳的软件/app的作者去解决，例如用@@@link和a href=词头#锚跳相混合实现查询多个value的方式（具体zzzz_sleep给出的代码的用法我也忘记了，不过印象中还是基于一个key对应一个value的用法），现在楼主这个工具直接从代码层修改一个key对应多个value，这个要给个赞！

, K7 d3 n& Y# `% I$ O  D& |2. 修改排序算法，原版是用的默认python排序，输出的文件在MDict简直不能查。GD勉强能查。

我没用Mdict_PC来查询生成的mdx，对于GoldenDict，我看了某些帖子的说法，GD是全部提取mdx的headwords为一个缓存文件而不依赖原生的mdx算法的排序的，相同词头（例如a和A）是以类似多本词典联合查询单词的方式在一个页面内列出所有a和A词头的内容的，如果GD不依赖原生的mdx算法排序，楼主说“GD勉强能查”是单词基本能查询，不过不按照Azure排序（dot,doT,dOt...）这样排列下来？
) l- p6 Q4 k7 f  N. [+ z6 v手机端的app，以Azure排序，单本词典查询的模式下，安卓mdcit和平典app（平典app可能有些带符号的单词查不到什么的，平典以前的国庆版本就查不到楼主你用python生成的新牛津v2.3.0 beta的单词词头）查询是完美支持这种排序的，而不是原生A再到a这样下来。深蓝dict不能单本词典模式查词，所以不能看到多个a和A，a和A的内容会挤在一个界面，由于不能单本查词，ff大的朗文5++ v1.3.5的气球在滑动单词页面时不能固定在右下角（直接在单词页面最右下角，对于长内容，需要滑动到页面最底部）。欧路app未测试。